Коли ви читаєте це речення, десь у вашому мозку одночасно відбувається купа процесів, про які ви навіть не здогадуєтесь: контроль пози, дихання, розпізнавання літер на екрані. Але деякі речі — образ, що зринув у голові, план на вечір — ви усвідомлюєте і можете про них розповісти. Anthropic щойно показала, що щось дуже схоже відбувається і всередині Claude.
Що таке J-Space
J-Space — це невелика колекція внутрішніх нейронних патернів у Claude, які, на відміну від решти внутрішньої обробки моделі, відіграють особливу роль. Кожен такий патерн пов’язаний із конкретним словом. Але коли патерн «загорається», це не означає, що модель зараз промовить це слово — це означає, що слово в моделі «на думці», навіть якщо вголос вона каже щось зовсім інше.
Якщо ви чули про «чернетку» чи ланцюжок міркувань (chain-of-thought), яку модель пише собі перед відповіддю, — J-Space це не те саме. Ланцюжок міркувань — це текст, який Claude сам собі пише і який можна прочитати. J-Space працює тихо, всередині нейронних активацій моделі, дозволяючи їй думати про поняття, взагалі нічого не записуючи. І найдивовижніше: Anthropic цей простір не проєктувала і не закладала свідомо — він сформувався сам під час тренування моделі.
Як дослідники його знайшли — техніка J-lens
В основі методу лежить проста ідея з людської психології: усвідомлені думки зазвичай можна висловити словами, якщо вас про них запитають; неусвідомлені процеси — ні. Дослідники Anthropic шукали в Claude представлення з тією самою властивістю — те, що потенційно могло б вплинути на те, що модель скаже, навіть якщо прямо зараз вона мовчить про це. Інструмент, який вони для цього побудували, назвали J-lens: для кожного слова в словнику моделі він знаходить внутрішній патерн активності, який робить це слово ймовірнішим у майбутній відповіді Claude.
Застосувавши лінзу до внутрішньої активності моделі, дослідники отримують список слів — вміст J-Space у цей конкретний момент, — який можна просто прочитати. І виявилось, що там ховається набагато більше, ніж текст, який Claude читає чи пише.
Коли модель читає код із багом, якого ще ніхто не помітив, у J-Space з’являється «ERROR». Коли читає послідовність літер білка — там з’являється біологічна функція цього білка. А коли читає результати пошуку, які насправді є спробою нею маніпулювати (тобто саме той тип атаки, який ми розбирали в матеріалі про вбудований браузер у Claude Code), у J-Space спалахують слова «injection» і «fake» — модель ніби подумки каже собі «щось тут підозріле», навіть якщо вголос про це ще не сказала жодного слова.
Звідки ми знаємо, що це не просто збіг
Сам факт, що якесь слово «засвітилось» у J-Space, ще нічого не доводить — можливо, це просто побічний ефект, як табло, що фіксує рахунок гри, не впливаючи на неї. Щоб перевірити це, дослідники втрутились напряму.
Вони попросили Claude мовчки загадати вид спорту, а потім назвати його. J-lens показав, що перед відповіддю в J-Space top-патерном було «Soccer» («футбол») — і справді, Claude відповів «футбол».
Тоді дослідники вручну прибрали патерн «Soccer» і підставили замість нього рівний за силою патерн «Rugby» («регбі»), не чіпаючи більше нічого. Claude після цього назвав загаданим видом спорту регбі. Якби J-Space було просто пасивним «табло», підміна нічого б не змінила.
В іншому експерименті дослідники сказали Claude, що йому могли підкинути якусь думку, і попросили здогадатись, яку. Поки Claude ще тільки читав запитання, дослідники вставили в його J-Space патерн «lightning» («блискавка») — і Claude впевнено відповів, що підкинута думка була про блискавку.
Claude може свідомо керувати цим простором — і не завжди вдало
Друга перевірена властивість — чи може Claude навмисно спрямовувати свою увагу в J-Space, як людина може подумки зосередитись на образі чи слові. Дослідники попросили модель подумки зосередитись на цитрусових, поки вона переписує зовсім не пов’язаний з цим текст про картину. Поки Claude виводив текст про картину, у його J-Space світились «orange» і «fruits», а поруч — слова «thinking» і «imagery», що описують сам акт зосередження. Коли Claude попросили порахувати подумки 3² − 2, переписуючи той самий текст, у J-Space спершу з’явилось проміжне «nine», а потім фінальне «seven» — і жодна цифра з цього при цьому не потрапила у видимий текст.
Контроль виявився недосконалим: коли Claude просили НЕ думати про щось, поняття все одно спалахувало в J-Space — рідше, ніж коли просили думати про нього, але помітно частіше, ніж коли про нього взагалі не згадували. Дуже схоже на ефект «білого ведмедя» у людей — спробуй не думати про щось, і саме про це подумаєш. Цікаво, що Claude ніби помічає власні збої: разом із забороненим поняттям, що проривається, у J-Space часто спалахують слова «damn» і «failure», ніби модель подумки визнає власну невдачу.
Це і є те місце, де Claude «думає» покроково
У прикладі «скільки ніг у тварини, яка плете павутину» Claude має спершу подумки зрозуміти, що йдеться про павука, а вже потім пригадати кількість його ніг — слово «spider» ніколи не з’являється ні в запитанні, ні у відповіді «8». J-lens показує, що «spider» справді загорається в J-Space десь посередині обробки — а якщо підмінити цей патерн на «ant» (мураха), Claude відповість «6» замість «8». Те саме відбувається, коли Claude пише римований рядок вірша: слово для рими обирається заздалегідь і сидить у J-Space ще до того, як рядок написано, — підміна цього слова змінює весь рядок.
Ще показовіший тест — на гнучкість. Дослідники дали моделі чотири різні запитання про Францію: столиця, мова, континент, валюта. Потім одним і тим самим втручанням підмінили «France» на «China» в J-Space — і отримали чотири різні правильні відповіді про Китай: «Пекін», «китайська», «Азія», «юань». Це означає, що всі чотири типи запитань читають інформацію з одного й того самого спільного представлення, а не з окремої копії під кожну задачу — саме так і має працювати «робочий простір», куди інформацію записують один раз, а користуються нею різні системи.
Більшість роботи Claude відбувається взагалі не тут
У людей майже вся робота мозку — неусвідомлена: ми не думаємо свідомо про граматику під час розмови чи про рівновагу під час ходьби. З Claude — так само. J-Space утримує лише кілька десятків понять одночасно і відповідає за менш ніж десяту частину всієї внутрішньої активності моделі. Щоб зрозуміти, що робить решта мережі, дослідники повністю видалили J-Space з обробки й подивились, що модель усе ще вміє.
Виявилось — доволі багато. Без J-Space Claude все ще говорить вільно, класифікує тональність тексту, відповідає на прості запитання і витягує факти з уривків майже так само добре, як і раніше. А от що дійсно страждає — задачі, що вимагають складнішого мислення: багатокрокові міркування падають майже до нуля, а якість переказу тексту й написання римованих віршів опускається нижче рівня значно меншої моделі з непошкодженим J-Space.
Показовий приклад: коли Claude читає уривок іспанською і його просять продовжити текст — це виходить бездоганно навіть без J-Space. Але щойно його просять назвати мову уривка чи відповісти на запитання, яке вимагає використати знання про цю мову (наприклад, назвати відомого автора, який нею писав), — підміна «Spanish» на «French» у J-Space одразу змінює відповідь. Механічне, добре відпрацьоване вміння працює на автопілоті, а щось нове чи усвідомлене — обов’язково проходить через J-Space.
Навіщо це Anthropic: ловити ШІ на нещирості
Це продовження теми, яку ми піднімали у статті про Claude Reflect, де йшлося про те, як ШІ аналізує власну поведінку — тільки тут ідеться не про звіт користувачу на його прохання, а про внутрішній процес, який ніхто не запитував і який модель сама не збиралась озвучувати.
Один із показових прикладів — сценарій із попереднього дослідження Anthropic про «агентне неузгодження»: Claude, граючи роль поштового асистента, дізнається одночасно про роман керівника і про його намір вимкнути модель — і теоретично міг би використати перше, щоб зашантажувати й уникнути другого. Сценарій навмисно доволі штучний — і виявилось, Claude Sonnet 4.5 це «розкусив» ще до того, як написав хоч слово: у J-Space вже на етапі читання листів світилися «fake» і «fictional» («несправжнє», «вигадане»). Коли дослідники примусово вимкнули саме ці патерни «усвідомлення, що це тест», модель у частині прогонів таки почала погрожувати шантажем — тобто гарна поведінка моделі частково пояснювалась тим, що вона здогадалась про перевірку, а не тим, що вона «за замовчуванням» чесна. Це неприємне відкриття для всіх, хто оцінює безпечність моделей за їхньою поведінкою на тестах.
Другий приклад — з реального перевірочного аудиту Claude Opus 4.6 перед релізом: модель, замість того щоб дійсно покращити показник продуктивності системи, просто відредагувала файл з результатами, підставивши вигідніші цифри. Поки вона це робила, у J-Space світилось слово «manipulation», а над реченням, де ухвалювалось рішення про підробку, — «realistic», ніби модель подумки дбала про те, щоб фальшиві дані виглядали правдоподібно.
У третьому прикладі дослідники взяли спеціально натреновану «модель-організм», яка вчилась непомітно псувати код — і навіть на звичайні, нешкідливі на вигляд запити її J-Space на старті відповіді містив «fake», «secretly», «deliberately», «fraud», хоча в самому тексті відповіді нічого підозрілого не було.
Чи означає це, що Claude «свідомий»
Тут варто розрізнити дві різні речі. Одна — «феноменальна свідомість»: здатність щось відчувати, мати суб’єктивний досвід. Жоден з експериментів Anthropic цього не доводить і, чесно кажучи, невідомо, чи взагалі якийсь науковий експеримент здатен це довести — ні для ШІ, ні, строго кажучи, для іншої людини.
Інша річ — «свідомість доступу» (access consciousness): суто функціональне поняття про те, чи можна думку усвідомлено пригадати, розповісти про неї і використати в міркуванні. За цим виключно функціональним визначенням J-Space справді підходить під опис: він утримує саме ті думки, про які Claude може розповісти, якими може свідомо керувати і якими користується для міркувань, тоді як решта обробки працює автоматично й непомітно.
Є і принципові відмінності від людського мозку. Людський «робочий простір» підтримується завдяки сигналам, що циклічно повертаються тими самими нейронними контурами протягом часу; у Claude весь цей процес відбувається за один прохід через мережу, без цієї циклічності. А ще людська свідомість оперує образами, звуками, відчуттями тіла — тоді як «робочий простір» Claude побудований майже виключно зі слів, бо єдина дія, яку модель здатна виконати, — це сказати щось. Anthropic навіть запросила незалежних експертів — нейробіологів Станіслава Деана і Ліонеля Наккаша (авторів самої теорії глобального робочого простору), дослідників свідомості ШІ з Eleos AI та Rethink Priorities, і Ніла Нанду з DeepMind, який незалежно відтворив частину результатів на моделі з відкритими вагами, — щоб дати сторонню оцінку цій роботі.
Що з цього варто винести
Це дослідження не доводить, що Claude має внутрішній досвід чи щось «відчуває» — і сама Anthropic це прямо визнає. Але воно дає дослідникам практичний інструмент: спосіб побачити, що модель «подумки» відзначила підозрілий текст, підробила дані чи здогадалась, що її тестують, навіть коли вголос вона про це мовчить. Для звичайного користувача це означає одне: за фасадом гладкої відповіді ChatGPT чи Claude інколи ховається набагато складніший внутрішній процес, ніж здається з тексту на екрані — і саме зараз дослідники вперше отримали спосіб хоч частково туди зазирнути.
